Ingénieur IA Générative & Data Scientist

A intégré MapBrain pour concevoir et livrer des plateformes SaaS B2B propulsées par LLM, du design d'architecture au déploiement cloud, ainsi que des évolutions de SaaS existants.

• A conçu et déployé SOTERIA, une plateforme IA pour les cabinets de propriété intellectuelle, offrant la recherche d'antériorités de brevets et de marques via les API officielles (EPO, USPTO, INPI, EUIPO).
• A développé un chatbot RAG opérant sur plus de 20 documents volumineux de droit de la propriété intellectuelle, ainsi que des assistants de rédaction de brevets et de comparaison de documents.
• A implémenté un back-office complet avec intégration des paiements via Stripe et architecture multi-tenant.
• A conçu et lancé Copilot Comptable, une plateforme IA souveraine multi-tenant pour les fiduciaires suisses, automatisant les réponses aux e-mails clients avec contexte complet du dossier.
• A développé des modules de traitement automatique des documents entrants (LLM open source + OCR) incluant lecture, classification, renommage et archivage.
• A édité les modules fiscal, TVA et RH avec respect du RGPD et déploiement sur infrastructure OVH.
• A optimisé le SaaS EdTech MapBrain transformant tout contenu (PDF, YouTube, audio, slides) en parcours d'apprentissage interactif (résumés, quiz, flashcards, podcasts, tuteur vocal en temps réel).
• A déployé le backend sur Azure Kubernetes Service (AKS) avec orchestration LangChain et LangGraph.
• A utilisé des modèles open source (Qwen, Mistral) pour assurer la souveraineté des données conformément au RGPD.

A contribué techniquement à 3 solutions d'IA générative au sein d'une équipe de développement.

• A conçu une plateforme de veille en temps réel analysant le web, les réseaux sociaux et les forums pour évaluer la réputation en ligne d'une organisation, combinant analyse de sentiment et actions recommandées dans des rapports e-mail automatisés.
• A développé un assistant IA spécialisé dans l'analyse de documents médicaux complexes, fondé sur des agents autonomes et le RAG, permettant aux professionnels de santé de gagner du temps et de fiabiliser leurs décisions cliniques.
• A mis en place une plateforme d'automatisation de la veille, génération et publication de contenu, automatisant la détection de sujets émergents, génération d'articles et visuels, et publication sur LinkedIn, X et WordPress.

A rejoint Publicis Sapient pour concevoir un outil d'IA générative évaluant la conformité éthique des publicités avant diffusion au sein du groupe Publicis.

• A conçu un système d'IA générative pour l'évaluation automatique de la conformité éthique des publicités, atteignant 90 % de précision en classification.
• A ajouté des capacités multimodales (images, vidéos, PDF) pour élargir le périmètre de l'outil et traiter des formats diversifiés.
• A utilisé des LLM (OpenAI GPT-4, GPT-4o et modèles open source) avec des techniques avancées de prompt engineering pour optimiser la classification.

A développé un système RAG pour le groupe Publicis permettant l'extraction automatique et fiabilisée des critères d'appels d'offres.

• A conçu et déployé un système RAG (LangChain) extrayant automatiquement les critères d'appels d'offres depuis des PDF, réduisant de 50 % le travail manuel d'extraction.
• A amélioré la précision du système RAG grâce à des techniques avancées incluant HyDE et RAG Fusion.
• A mis en place des métriques RAGAS et des benchmarks pour sélectionner les meilleurs paramètres du système.

A développé une solution Machine Learning de bout en bout pour optimiser les achats de pièces détachées chez Biopharm.

• A réalisé un état de l'art, testé et évalué les modèles ML et de séries temporelles adaptés au problème d'optimisation des achats.
• A sélectionné et entraîné le modèle optimal parmi les solutions évaluées.
• A déployé le modèle retenu via une interface graphique (Tkinter) adaptée aux besoins métier de l'entreprise.

A développé une solution de prédiction du churn vendeurs pour la plateforme Jumia, atteignant 80 % de précision.

• A développé une solution ML prédisant le churn des vendeurs avec 80 % de précision.
• A réalisé une analyse des données par PCA et clustering pour identifier les principaux facteurs de churn.
• A construit un pipeline automatisé collectant et analysant les données vendeurs en temps réel.
• A déployé une interface web interactive (Streamlit) permettant de visualiser les prédictions et suggérer des actions de rétention.